个性化阅读类的应用一直是一个火热的创业方向，这个领域已经先后出现了 Taptu、Pulse、Zite 等红极一时的应用。两个月前，一直火热的Zite 才被CNN 以2000万美元的价格收购了。北京创业公司简网（Cutt.com）也很看好这个方向，于10月10日在App Store（下载地址）发布了类似Zite的个性化阅读应用“指阅”。 指阅的目标是新一代的资讯发现与阅读应用，致力于打造懂你口味的阅读体验。指阅将互联网上的...

最近准备写一个系列，是关于各个公司用了推荐系统后的关于推荐系统究竟有没有给他们带来利益的报告。所以称为推荐系统有效性系列。 今天的例子是Digg。Digg在2008年有一篇官方的blog，可以从下面的地址看到 http://about.digg.com/blog/digg-recommendation-engine-updates Blog的主要意思就是说，Digg在那个时候发布了他们的新的推荐算法，然后他们经过了1个月的测试，测试到了一系列数据。他们觉得他们的算法...

今天这篇博文主要总结一下reculike的系统架构。两周前我们宣布发布了reculike的alpha版。本着分享的原则，今天在这儿介绍一下我们的各个模块的设计方法。 我们这个项目一开始叫paperlens，这是因为我们想学习业界的前辈movielens，开发一个源代码和数据都开源的系统。关于数据的开源，我想当用户数达到一定程度后，每个月会dump一次我们所有的数据库（密码等隐私信息除外），放到网络上供大家下...

我们最近在写一本书，讲如何设计推荐系统。本着计算机图书必附源代码的原则，我们想搭建一个实验性的在线图书推荐系统。就像MovieLens一样。 这个系统根据用户的兴趣推荐图书。我们需要做的是 1. 爬一些图书的信息，（主要是技术图书，因为用这个系统的人大都也是技术界的人） 2. 建立一个item-based推荐系统，根据用户的兴趣做出推荐 3. 建立一个网站让用户对图书进行反馈 4. 解决冷启动问�...

YangQiang教授指导的这篇ICDM2008的文章我2年前就拜读过，但当初对上面的方法不是特别感冒，所以也就没有记得特别清楚。最 近，KDD Cup的第二个track的问题和这篇Paper的研究问题很像，同时我在做KDD Cup时也设计了一个算法，感觉效果非常好，我准备把他称作基于采样的binarySVD算法。然后我准备研究一下这个算法是不是已经有人提出来了，因为 我隐约记得是看过类似的方法。结果我一查，发现果然�...

昨天Hulu发布了新的推荐系统页面Recommendation Hub。这次改版相对旧版有以下主要变化： 1. 对结果进行了分Channel的展示。分成了Top recommendation和3个用户喜欢的channel。这样相对旧页面可以展示更多的结果。 2. 加入了Interest Yes/No 的反馈方式，方便用户直接对推荐结果进行反馈。 3. 最主要的就是这次将推荐页面的链接放到了首页的Navigation Bar上，提高了推荐页面的流量。 下面是一篇相关的文章 http://giga...

对于移动互联网应用而言，除了传统互联网所积累的海量信息、各种丰富应用可供使用外，移动互联网本身也生产了海量的内容和应用，怎样准确识别用户的喜好并在此基础上向用户推荐最相关的产品、服务、信息是解决所谓“信息超载”问题的有效手段之一。 不管是基于内容过滤（Content-Based filtering ）、基于协同过滤（ Collaborative filtering ）的个性化推荐技术，基于互联网的个性化推荐基本上�...

http://www.comp.hkbu.edu.hk/~lichen/srs2011/ Social media sites have become tremendously popular in recent years. Yet, the abundance and popularity of social media floods users with huge volumes of information and hence poses a great challenge in terms of information finding. Social Recommender Systems aim to alleviate information overload for users by presenting the most relevant and useful information items. Social recommender systems that suggest content (e.g., wikis and forum posts), people, and communities oft...

用户每次登录推荐系统的时候，是不是应该看到不同的推荐结果。在传统的推荐里面，如果用户没有新的行为，其他用户的行为也没有突变，那么根据CF算出来的Top-N推荐列表应该是变化不大的。但是，如果推荐结果总是不变，用户会觉得厌烦，也会逐渐减少推荐结果的新颖度。 Neal Lathia在SIGIR 10 上发表了一篇文章”Temporal Diversity in Recommender Systems”，深入的研究了这个问题。下面的图是他们...

http://arsenigroup.com/clients/strands/?p=5 用 户的信任是所有商业系统最重要的部分，特别是对在线零售系统。 消费者们很想知道其他用户买了什么，如果我们收集了他们的行为，我们也能从他们和系统的交换中获益。 推荐解释告诉用户他们为什么会被推荐某种商品，从而是一个很好的增加系统可信度的方法。 一个推荐系统的目的是让用户方便的找到他们想要的东西，帮助他们发现他们喜欢的但不是�...